Segmentierung von Bilddaten - mnementh.de

1 Segmentierung von BilddatenHendrik Horn und J orgen Kosche3. Juni 2004 SeminarvortragSeminar: Effiziente Darstellung von DatenDozent: Oliver Boldt1 Inhaltsverzeichnis1 Einf uhrung32 Definition53 Eigenschaften und Begriffe64 Software..85 Pixelorientierte Verfahren.. Schwellwertverfahren.. Kantenorientierte Verfahren.. Kantendetektionsoperatoren.. Wasserscheidentransformation.. Regionenorientierte Verfahren.. Distanz- oder Ahnlichkeitsma e.. Region Growing.. Split and Merge.. Modellbasierte Verfahren.. Segmentierung uber Templates.

2 Hough-Transformation.. Texturbasierte Verfahren..306 Segmentierung von Mehrkanalbildern317 Probleme328 Quellen339 Bildquellen3421 Einf uhrung Problem der Bildverarbeitung, insbesondere des maschinellen Sehens: Welche Bildpunkte geh oren zusammen? L osung mit Segmentierung Segmentierung erzeugt aus einem Eingangsbild Objekte3 Zur Veranschaulichung folgt ein Beispiel. Als Beispielgrafik w ahlenwir ein Luftbild von Dessau:Luftbild von DessauUnd hier die entsprechende Segmentierung mit einem Region-Growing-Verfahren:segmentiertes Beispielbild42 Definition Teilgebiet der Bildverarbeitung (maschinelles Sehen) erster Schritt der Bildanalyse (zuvor Preprocessing) Zusammenfassung von Pixeln entsprechend einem Homogenit atskriterium(oder Trennung nach einem Dishomogenit atskriterium) Reduktion (Zusammenfassung) von Daten zur besseren Strukturierung Ergebnis.

3 Zuordnung von Pixeln zu Segmenten53 Eigenschaften und BegriffeEinige wichtige Eigenschaften von Segmentierungen:vollst andige SegmentierungJeder Pixel wird (mindestens) einem Segment zugeordnet. uberdeckungsfreie SegmentierungKein Pixel wird mehr als einem Sement angende SegmentierungJedes Segment bildet ein zusammenh angendes asentation erfolgt:geometrischPolygone grenzen die Objekte abpixelorientiertJedes Pixel erh alt als Attribut das zugeh orige Segment ( durch ein weiteres Bild gleicher Gr o e)weitere Begriffe:BinarisierungJeder Pixel des Bildes wird genau einem von zwei Segmenten zugeordnet.

4 UbersegmentierungEs wurden zu viele Segmente wurden zu wenige Segmente AnwendungenSegmentierung ist nur der erste Schritt f ur eine weitergehende Bildanalyse ( Klassifizierung).MedizinSegmentierung von R ontgenbildern, ComputertomographieGeographie/Fernerkund ungautomatische Segmentierung von Satelliten- Luft- und RadarbildernQualit atskontrolleautomatische optische Kontrolle von Werkst uckenSchrifterkennungerster Schritt f ur eine Schrifterkennung, Trennung von Schrift und Software mehrere recht teure Anwendungen zur Segmentierung und anschliessenden Klassifizierung f ur Medizin und Fernerkundung ( von Definiens AG) Bildbearbeitungsprogramme ( Gimp oder IrfanView)

5 Bieten einfache Algorithmen wie Schwellwertverfahren und Sobel an Schrifterkennnungsprogramme k onnen Segmentierung als ersten Schritt einsetzen85 VerfahrenGrundlegende Verfahrensgruppen:Pixelorientierte VerfahrenEs werden Kriterien zur Segmentzuordnung nur auf das Pixel angewandt, unabh angig von VerfahrenEs wird nach Kanten oder Konturen gesucht, die zu Objektgrenzen zusammengefasst VerfahrenEs werden zusammenh angende Punktmengen als Gesamtheit betrachtet. Uberg ange sind fliessend, Kombinationen oder Uberschneidungen m gibt weitere, abstraktere Verfahrensans atze.

6 Modellbasierte VerfahrenHier wird konkreteres Wissen uber die Bilder (ein Modell) VerfahrenEs wird nach einer Textur (homogene innere Struktur) anstatt nach einer einheitlichen Farbe Pixelorientierte Verfahren es wird f ur jeden Punkt einzeln entschieden, zu welchem Segment er geh ort pixelorientierte Verfahren ergeben ublicherweise vollst andige und uberdeckungsfreie Segmentierungen aber ublicherweise keine zusammenh angenden SchwellwertverfahrenDer Grauwert (oder ein anderes eindimensionales Merkmal) des Pixels wird mit einem Schwellwert nur einem Schwellwert wird Bild Schwellwerte m oglich f ur mehrere : einfache Implementierung schnelles Verfahren vollst andige und uberdeckungsfreie Segmentierung gute Ergebnisse bei Binarisierung von gleichm a ig beleuchteten Bildern (Beispiel: Segmentierung gescannter Bilder f ur Schrif-terkennung)Nachteile.

7 Anf alligkeit f ur Helligkeits anderungen (bei Grauwerten) nur ein eindimensionaler Wert wird benutzt (keine zus atzlichen Informationen bei Mehrkanalbildern) keine zusammenh angende Segmentierung starke Abh angigkeit vom Parameter: Schwellwert11 Wie findet man den optimalen Schwellwert?Grundlage: HistogrammOptimalerweise bimodales Histogramm (nur zwei, klar voneinander getrennte Maxima):bimodales Histogramm:nicht bimodales Histogramm:Methode: manuelle Festlegung Mittelwert zwischen lokalen Maxima w ahlen lokale Minima w ahlen Verfahren von Otsu12 Beispiel:verrauschtes Eingangsbildentsprechendes Histogramm13 Segmentierung mit globalem Schwellwertverfahren:Schwellwert 38:Schwellwert 52:Schwellwert 204:Schwellwert 222:14 Verfahren von OtsuEs seip(g) die Auftrittswahrscheinlichkeit des Wertesg.

8 F urggilt: 0 g< zwei Klassen, getrennt durch den Auftrittswahrscheinlichkeit bestimmt sich durch:P0=t g=0p(g) undP1=G 1 g=t+1p(g) = 1 P0 Der mittlere Grauwert seig, der Mittelwert der beiden Klassen Varianzen innerhalb der Klassen ergibt sich durch: 20=t g=0(g g0)2p(g) und 21=G 1 g=t+1(g g1)2p(g)Wir wollen einen Schwellwert, der die beiden Klassen m oglichst gut trennt, dazu maximieren wir die Varianz zwischen den beidenKlassen: 2zw=P0(g0 g)2+P1(g1 g)2und minimieren die Varianz innerhalb der Klassen: 2in=P0 20+P1 21 Also w ahlen wirtso, dass 2zw 2inmaximal gibt verschiedene Schwellwertverfahren:globales Schwellwertverfahrenein Schwellwert wird f ur das gesamte Bild verwendetlokales Schwellwertverfahrendas Bild wird in Regionen eingeteilt, f ur jede Region werden eigene Schwellwerte bestimmtdynamisches Schwellwertverfahrenum jeden Pixel wird eine eigene Region erzeugt und ein eigener Schwellwert festgelegtRechenzeit nimmt zu - Anf alligkeit gegen Helligkeits anderungen nimmt abschlecht beleuchtetes Eingangsbild.

9 Entsprechendes Histogramm: Segmentierung mit Schwellwert 127 Kantenorientierte VerfahrenLiefern Kantenz uge oder zu Konturen geh orende PunkteVorteile: oft leicht geometrische Repr asentation zu finden zusammenh angende SegmentierungNachteile: oft Kantenverfolgungsalgorithmen n otigVerfahren: Sobel- oder Laplace-Operatoren Wasserscheidentransformation Snakes aktive KantendetektionsoperatorenEs gibt einige Operatoren, mit denen Konturen in den Bildern hervorgehoben von Pixelmasken:z1z2z3z4z5z6z7z8z9aktueller Pixel:z5(Pixel dar uber:z2, links unten:z7, usw.)

10 Jedem Feld der Maske wird Faktorm1bism9zugewiesenneuer Wert f ur den aktuellen Pixel:V=m1 z1+m2 z2+..+m9 z918 Bekannt sind der Sobel- und der :Sobel-Operator:Laplace-Operator:vertika ler und horizontaler Sobel-Operator:-1-2-1000121-101-202-101 Laplace-Operator:0-10-14-10-1019 Ebenfalls m oglicher Ansatz uber Gradienten: man ziehe eine Gerade durch das Bild entlang dieser Gerade kann man die Grauwerte als Funkti-onswerte in Abh angigkeit von der Position sehen in der ersten Ableitung dieser Funktion sind Kanten lokaleMaxima von vorne anfangen und den n achsten Punkt suchenerste Ableitung = Gradient (Differenz zwischen zwei Werten)Nachteil.